Modelado de la marcha y del consumo de trenes metropolitanos de conducción automática mediante técnicas de machine learning

Abstract

La inteligencia artificial está cobrando protagonismo en multitud de sectores, y el ámbito ferroviario no es indiferente a esta tendencia. En este contexto, este trabajo desarrolla modelos de machine learning, para hacer predicciones de parámetros relacionados con la marcha del tren. Un primer tipo de modelos predice tiempos de recorrido y consumo del tren, con vistas a ser utilizado como ayuda al diseño eficiente de marchas del ATO (Automatic Train Operation). Se han desarrollado varios tipos de modelos, utilizando diferentes algoritmos. El seleccionado finalmente por su mejor comportamiento ha sido una red neuronal. Con este tipo de modelo se han obtenido errores de un 0.04% en la predicción de tiempo, y de 0.34% en la predicción del consumo, comparado con registros reales de operación en la L1 de metro de Barcelona. Adicionalmente, se han obtenido redes neuronales para modelar el comportamiento de un sistema ATO real, que posteriormente se han integrado en un simulador de la dinámica de trenes, para el análisis detallado de las marchas obtenidas con el primer tipo de modelos. En el simulador desarrollado, el modelo de ATO tiene que predecir la salida correcta en cada momento (orden de tracción/freno a los motores), desde la salida de la estación de origen hasta la estación destino. De cara a reducir los errores cometidos en este simulador, se han probado varias alternativas combinando redes neuronales. La que ha tenido errores más bajos es una combinación de dos redes neuronales: una que predice el comportamiento del ATO durante el recorrido, y una red neuronal auxiliar, que predice el comportamiento cerca de la estación destino cuando el tren tiene que frenar. Con esta combinación se obtienen errores de un 0.1% en el tiempo de recorrido, y un 1% de error en la distancia al punto de parada en la estación.

Artificial intelligence is becoming increasingly important in many sectors, and railways are not exempt from this trend. In this context, this project develops machine learning models, to predict parameters related to the train’s running. A first type of model predicts travel times and train consumption, to be used as an aid in the design of efficient ATO (Automatic Train Operation) profiles. Various types of models have been developed, using different algorithms. The one selected because of its better performance is a neural network. With this type of model, the errors obtained have been a 0.04% in time prediction and a 0.34% in consumption prediction, comparing with real operation registers from L1 in metro de Barcelona. Additionally, neural networks have been obtained to model the behaviour of a real ATO, that have been integrated later into a simulator of the train dynamics, to analyse in detail the profiles obtained with the first type of model. In the developed simulator, the ATO model has to predict the correct output (traction/braking output to the engine), from the departure station to the arrival station. To reduce the simulator’s errors, different alternatives were tested combining various neural networks. The one with lower errors is a combination of two neural networks: one that predicts the ATO’s behaviour during the trip, and an auxiliary neural network, that predicts the behaviour close to the arrival station when the train has to brake. With this combination errors of 0.1% in travel times and 1% in distance to the stop point are obtained.